ПРЕИМУЩЕСТВА НЕЙРОННЫХ СЕТЕЙ ПЕРЕД ТРАДИЦИОННЫМИ АЛГОРИТМАМИ

ADVANTAGES OF NEURAL NETWORKS BEFORE TRADITIONAL ALGORITHMS

Andrey Golovinov

student of department of IT-technologies, Don State Technical University, Russia, Rostov-on-Don

Elena Klimova

research supervisor, candidate of physico-mathematical sciences, assistant professor of  Don State Technical University,

Russia, Rostov-on-Don

АННОТАЦИЯ

Нейронная сеть – новая и перспективная вычислительная технология, предоставляющая новые подходы к решению задач в различных научных и общественных сферах жизни общества. По сравнению с традиционными методами решения задач, нейронные сети имеют ряд преимуществ.

ABSTRACT

The neural network is a new and promising computational technology that provides new approaches to solving problems in various scientific and social spheres of society. Compared with traditional methods of solving problems, neural networks have a few advantages.

Ключевые слова: нейрон, нейронные сети, глубокое обучение, традиционные алгоритмы.

Keywords: neuron, neural networks, in-depth training, traditional algorithms.

Нейронная сеть — это распределенная система из искусственных нейронов, предназначенная для обработки информации. Нейроны в данной сети получают некоторые входные данные, обрабатывают их и посылают другим нейронам. И, посредством взаимодействия между собой и внешнего управления, элементы сети способны решать довольно трудные задачи.

В настоящее время на основе данной технологии разработано множество программ для прогнозирования различных явлений, статистической обработки данных, распознавания образов, оптимизации некоторых процессов и тд. Но так ли необходимо изучение данного направления, или же можно обойтись имеющимися традиционными алгоритмами? В данной работе будут рассмотрены основные преимущества нейронных сетей перед использованием традиционных алгоритмов.

Обучаемость

Одним из основных преимуществ нейросетей является их обучаемость. Появление новых данных в традиционных алгоритмах вызывает необходимость в их пересчете, что не характерно для нейронных сетей – благодаря системе обучения они адаптируются к различным изменениям, каждый раз применяя новые данные для поиска решения поставленной задачи.

Обучение нейронной сети носит итерационный характер. Каждый шаг обучения называют циклом или эпохой. Во время одного такого цикла предполагается вычисление синаптических коэффициентов, которые берут за основу уже имеющиеся примеры, из обучающей выборки. В состав данной выборки входят различные данные, имеющие собственные значения и выходные параметры, которые хотелось бы получить в результате.

Такое действие можно назвать контролируемым обучением: на вход сети подаются некоторые исходные данные, а на выходной узел сообщается желаемое значение результата.

Данное обучение можно рассмотреть, как решение задачи оптимизации, где ошибкой является разность между правильным решением задачи и откликом системы. Такую ошибку можно уменьшить, настраивая свободные параметры.

Но, внося какие-либо исправления в сеть с целью минимизировать ошибку, мы не можем быть уверенны в том, что добьемся меньшей ошибки. [1] Это обуславливается тем, поверхность ошибки может иметь как плоские участки, так и локальные минимумы, узкие овраги.

Посредством имеющихся аналитических свойств невозможно точно определить расположение глобального минимума для данной поверхности, поэтому обучение нейросети сводится к исследованию такой поверхности ошибки.

Универсальность

Говоря о традиционных алгоритмах следует учитывать, что многие из них предназначены для решения конкретной задачи, чего нельзя сказать о нейронных сетях. Они, в свою очередь, являются гибким и мощным инструментом, способным решить широкий круг задач анализа и обработки данных, таких как: распознавание и классификация образов, прогнозирование финансовых рынков, автоматизация управления процессами и т.д. Несомненно – для каждой задачи существуют и классические методы решения, но преимущество нейросети заключается в том, что практически нет необходимости переформулировать задачу, решаемую с помощью традиционных методов.

Также, сюда следует добавить, что одной из особенностей нейронной сети является возможность нахождения решения при неопределенности. Благодаря способности к обучению сеть способна найти решение задачи при отсутствии некоторых закономерностей или входных данных. Причем не обязательно устанавливать взаимоотношения между величинами заранее – сеть изучает взаимосвязи на уже готовых моделях.

В данный пункт можно отнести ещё тот факт, что нейронные сети могут работать с данными различных типов, будь то дискретные данные, непрерывные или номинальные.

Быстродействие

При использовании традиционных алгоритмов, одним из основных критериев оценки его работы является именно скорость выполнения в зависимости от входного объема данных. Причем команды алгоритма выполняются последовательно, что серьезно замедляет процесс вычисления. В нейросети все обстоит немного иначе: входные данные преобразуются в распределенную сеть параллельных вычислений и подаются на выход. Именно благодаря системе параллельной обработке данных, обеспечивается сверх быстродействие нейронной сети. [4]

Простота применения

Как было упомянуто ранее - нейронная сеть обучается на подготовленных специалистом примерах. Работа такого специалиста заключается в следующем: он подбирает определенный набор входных параметров, и после чего в сети запускает алгоритм обучения, преобразующий полученные данные в особую структуру. Конечно, от специалиста требуются знания о том, какие данные необходимы, в каком виде и количестве, как их подготовить для передачи в сети и как в итоге интерпретировать полученные результаты. Но, при этом, количество знаний, которые потребуются для успешного использования нейросети, уступает тому, которое необходимо было бы получить для работы с традиционными алгоритмами.

Отказоустойчивость

Производительность нейронной сети, реализованной на аппаратном уровне, при неблагоприятных условиях может упасть, но весьма незначительно.

Например, если отдельный элемент сети поврежден, или его связь с другими элементами нарушена, то это может затруднить процесс извлечения информации из данного элемента, но благодаря распределенному характеру хранения информации в нейронной сети, можно утверждать, что существенно снизить работоспособность системы можно лишь посредством серьёзного повреждения её структуры.

Также, нейронные сети обладают высокой устойчивостью к «шумам» во входных данных. Если по какой-либо причине для анализа были взяты лишние параметры, не имеющие отношения к решению поставленной задачи, то нейронная сеть отфильтрует такие данные.

Для традиционных алгоритмов, наличие неверных или лишних данных приведет либо к неизвестным и необъяснимым результатам, либо к выходу системы из строя, так как не предусмотрено специальных механизмов отсева данных. Поэтому для любых параметров, вводимых в традиционные алгоритмы следует проводить дополнительную проверку.

Заключение

Нейронные сети – достаточно мощный и гибкий инструмент для решения различных типов задач во многих научных и общественных сферах: экономике, бизнесе, медицине, робототехнике, автоматизации производства и тд. Во многих параметрах технологии нейронных сетей превосходят имеющиеся традиционные алгоритмы, поэтому и считаются актуальными для изучения в настоящее время. Но для создания и корректного функционирования такой, казалось бы, простой системы требуется определенный набор знаний и опыта, которыми должен обладать специалист-проектировщик. Именно от того, как будет построена системы, зависит и то, какие вопросы она сможет решить.

Список литературы:

1. Бэстенс Д.Э.  Нейронные сети и финансовые рынки. Принятие решений в торговых операциях. –М.: ТВП, 1997.  – 236с.
2. Козлов А.Н. Интеллектуальные информационные системы: учебник – Пермь: ФГБОУ ВПО Пермская ГСХА, 2013. – 278 с
3. Кричевский М.Л. Интеллектуальный анализ данных в менеджменте: Учеб. пособие. - СПб.: СПбГУАП, 2005. – 208с.
4. Хайкин С. Нейронные сети. Полный курс. – Вильямс, 2016. – 1104с.